Monte-Carlo-Simulationen mit Copulas
Inhalt
Der herkömmliche Ansatz zur Simulation logarithmischer Renditen
Ansatz zur Simulation mit Copulas
Test und Vergleich der beiden Verfahren Fazit
Monte-Carlo-Simulationen mit Copulas
Korrelationsansatz
Geometrische Brownsche Bewegung
für 1, … , Aktien im Zeitraum 0 und Wiener Prozess ~ 0,
Korrelationsansatz
Geometrische Brownsche Bewegung
Mit festen Parametern
Monte-Carlo-Simulationen mit Copulas
für 1, … , Aktien im Zeitraum 0 und Wiener Prozess ~ 0,
Korrelationsansatz
Analytische Lösung
Korrelationsansatz
Analytische Lösung
Darstellung der logarithmischen Rendite
Monte-Carlo-Simulationen mit Copulas
Korrelationsansatz
Analytische Lösung in Matrixschreibweise
- Aktienkurs einzelner Aktien zum Zeitpunkt t unabhängig voneinander - Entspricht nicht den Beobachtungen in der Realität !
=: α =:
Korrelationsansatz
Abhängigkeitsstruktur mit Kovarianzmatrix
Monte-Carlo-Simulationen mit Copulas
Korrelationsansatz
Zufallsvariable ∊ um logarithmische Renditen zu simulieren mit
~ α , ∑ wobei
≔ α ∑
≁ α , ∑
Korrelationsansatz
Erst Cholesky-Zerlegung von ∑ führt zum Ziel
∑ : α
~ α , bzw. ~ α ,∑
Monte-Carlo-Simulationen mit Copulas
Korrelationsansatz
Erst Cholesky-Zerlegung von ∑ führt zum Ziel
∑ : α
~ α , bzw. ~ α ,∑
wird mittels mit ~ ,! simuliert
Korrelationsansatz
Ziel: Portfoliowert in K Tagen simulieren
1) Transformation der Tagesrenditen auf K-Tagesrenditen
2) Ermittlung der Simulationsparameter α und ∑
Monte-Carlo-Simulationen mit Copulas
Korrelationsansatz
Zu 1)
sei γ# $ die l-te Tagesrendite der Aktie i und X die Beobachtungsmatrix
X :=
Korrelationsansatz
Bsp.: Sei K=3
Monte-Carlo-Simulationen mit Copulas
%
:= &
Zu 2)
-Parameter ∑&ist die Kovarianzmatrix von &
-Parameter α&
Korrelationsansatz
Monte-Carlo-Algorithmus
Korrelationsansatz
Monte-Carlo-Simulationen mit Copulas
Inhalt
Der herkömmliche Ansatz zur Simulation logarithmischer Renditen
Ansatz zur Simulation mit Copulas
Test und Vergleich der beiden Verfahren Fazit
Copulaansatz
Monte-Carlo-Simulationen mit Copulas
Können wirklich alle Abhängigkeiten durch die Korrelation erfasst werden?
Copulaansatz
Gleiche Korrelation
Gleiche Randverteilungen
Aber unterschiedliche Abhängigkeitsstrukturen
Copulaansatz
Monte-Carlo-Simulationen mit Copulas
Gauß-Copula
- mit multivariater Normalverteilung der Dimension mit Korrelationsmatrix ' - univariate Standardnormalverteilung ɸ
Copulaansatz
Gauß-Copula Dichte
Copulaansatz
Monte-Carlo-Simulationen mit Copulas
t-Copula
- mit multivariater t-Verteilung der Dimension mit Korrelationsmatrix ' und ν Freiheitsgraden
- univariate t-Verteilung mit ν Freiheitsgraden
Copulaansatz
t-Copula Dichte
Copulaansatz
Monte-Carlo-Simulationen mit Copulas
Numerische Tests
Tailabhängigkeit
Numerische Tests
Monte-Carlo-Simulationen mit Copulas
Bei Gauß-Copula gilt
- Für Korrelation * +1 ist λ- λ. 0
- Extreme Ausprägungen treten unabhängig voneinander auf
Bei t-Copula gilt
- Für Korrelation >-1 ist λ- / 0 und λ. / 0
- Extreme Ausprägungen treten tendenziell abhängig voneinander auf
Copulaansatz
Copulaansatz
Monte-Carlo-Simulationen mit Copulas
Mit Hilfe des Satzes von Sklar kann die Simulation der Renditen aufgeteilt werden
012,…,13 45, … , 4 612 75 , … , 613 7
612,…,13 75, … , 7 012,…,13 612 75 , … , 613 7
Copulaansatz
Copulaansatz
Monte-Carlo-Simulationen mit Copulas
Es gilt 8~0, denn: - 9~6 und 9#~6# mit stetiger, monotonwachsender Randverteilung - :#~; 0,1
Copulaansatz
- Für 6 und 6#<5 ɸ<5 folgt die Gauß-Copula - Für 6 00 und 6#<5 =<5 folgt die t-Copula
Copulaansatz
Monte-Carlo-Simulationen mit Copulas
Copulaansatz
X erfüllt die gewünschte Verteilung, denn:
Copulaansatz
Monte-Carlo-Simulationen mit Copulas
Praktische Anwendung von Algorithmus 3:
1) Ermittlung der Randverteilungen 2) Wie werden die Copulaparameter
ermittelt?
Copulaansatz
Zu 1)
Copulaansatz
Monte-Carlo-Simulationen mit Copulas
Für die Randverteilungen einzelner Beobachtungen kann ausgenutzt werden, dass
Copulaansatz
Copulaansatz
Monte-Carlo-Simulationen mit Copulas
Wir erhalten dadurch eine Matrix ; mit ;#,> 6#,? 7#,>
Copulaansatz
Copulaansatz
Monte-Carlo-Simulationen mit Copulas
Bei praktischer Anwendung von Algorithmus 3 bleibt noch ein Problem offen:
- wie erfolgt die Auswertung von 6#<5 8# ?
Copulaansatz
Wir kennen nur die Auswertung der Randverteilungen an den einzelnen Beobachtungen 7#,>
6# 7#,> @#,> bzw. 6#<5 @#,> 7#,>
i.A. gilt 6#<5 8# * 7#,> für alle j
Copulaansatz
Monte-Carlo-Simulationen mit Copulas
Ist die Anzahl der Datensätze groß genug Randverteilung fast kontinuierlich
Copulaansatz
Zu 2) Copula-Parameterschätzung Maximum-Likelihood-Methode:
Idee: Wähle denjenigen Parameter, der auf Grund der gemachten
Beobachtungen am plausibelsten erscheint
Copulaansatz
Monte-Carlo-Simulationen mit Copulas
Fasse dazu Beobachtungen als identisch verteilte und stochastisch unabhängige Zufallsvariablen auf
mit c als Dichte der Copula
Copulaansatz
Randverteilungsparameter bereits implizit geschätzt
Monotonie Logarithmus und Maximum von logarithmierter Dichte an gleicher Stelle
Log-Maximum-Likelihoodfunktion
Copulaansatz
Monte-Carlo-Simulationen mit Copulas
Einsetzen der beobachteten Werte
Pseudo-Log-Maximum-Likelihoodfunktion
Copulaansatz
Praktische Anwendung bei Gauß-Copula
- Maximum des Likelihoodschätzers für Parameter P
Copulaansatz
Monte-Carlo-Simulationen mit Copulas
Copulaansatz
Praktische Anwendung bei t-Copula
- Parameter P über Beziehung zum Kendall‘schen Rangkorrelationskoeffizient τ
'B sin FG H ;
- Freiheitsgrade ν mittels Log-Likelihoodschätzers max= $ 7, ν, 'B)
Copulaansatz
Monte-Carlo-Simulationen mit Copulas
Copulaansatz
Inhalt
Der herkömmliche Ansatz zur Simulation logarithmischer Renditen
Ansatz zur Simulation mit Copulas
Test und Vergleich der beiden Verfahren Fazit
Monte-Carlo-Simulationen mit Copulas
Numerische Tests
In der Praxis ist VaR oft interessanter als PF-Wert Um ihn berechnen zu können, wird aus den
einzelnen Simulationsausgängen LM> für N 1, … , O die Dichte approximiert
Numerische Tests
Monte-Carlo-Simulationen mit Copulas
Testportfolio mit Daten vom Unternehmen
02.01.2007 bis 29.07.2011 Portfoliogewicht
Dt. Telekom AG 25 %
RWE AG 25 %
BMW AG 25 %
Infineon AG 25 %
Numerische Tests
Dichte und VaR bei 100.000 Simulationen mit t-Copula für α 0.99
Numerische Tests
Monte-Carlo-Simulationen mit Copulas
VaR bei 100.000 Simulationen
Numerische Tests
Welcher Ansatz erzielt die besseren Ergebnisse?
Backtest:
Numerische Tests
Monte-Carlo-Simulationen mit Copulas
Gauß- oder t-Copula ?
Nach Ergebnissen von Herrn Deuß bildet die t- Copula die Abhängigkeitstruktur besser ab
Worauf könnte dies zurückzuführen sein?
Numerische Tests
Untersuchung der Tail-Abhängigkeit für Aktien in unserem PF
Numerische Tests
Monte-Carlo-Simulationen mit Copulas
Tailabhängigkeitsschätzer für log-Renditen der Dt. Telekom AG und RWE AG
Fazit
Standardkorrelationansatz bildet nicht die komplette Abhängigkeitsstruktur ab
Standardkorrelationsansatz unterschätzt das Risiko
Copulaansatz erfasst die Abhängigkeiten besser t – Copula im Markt mit Tailabhängigkeit besser geeignet als Gauß-Copula